【技术实现步骤摘要】
一种基于图像分割神经网络的复杂场景云检测方法及系统
[0001]本专利技术涉及云检测
，尤其涉及一种基于图像分割神经网络的复杂场景云检测方法及系统。
技术介绍
[0002]可见光遥感图像有空间分辨率高，信息提取迅速的特点；在可见光遥感图像中，云层遮盖地物的现象普遍存在，降低了图像中地面目标信息的可用性，这既增加了数据存储的开销，又降低了数据的实用价值，影响信息的解译和获取。
[0003]当前遥感影像云检测方法主要分为三种，分别是基于阈值的方法、基于图像基本特征的方法和基于深度学习的方法；前者是物理方法，着重从物理特性出发，根据光学遥感图像云层纹理特性和高光谱波段差异，对图像进行形态学等预处理步骤同时设置相应的阈值，实现云检测；而后者是统计方法，着重从采用卷积神经网络学习遥感影像的外在表征，寻找对云和非云的合适表达；这些方法虽然能够实现对遥感影像自动化云检测，但在复杂的实际环境难以取得好的应用效果。
[0004]近些年来，随着计算能力的提高，也有学者采用深度学习的方法做云检测，主要分为基于图像分类的方法和...
【技术保护点】
【技术特征摘要】
1.一种基于图像分割神经网络的复杂场景云检测方法，其特征在于，所述方法包括：S1、从预设的数据库中获取含云图像集；S2、对所述含云图像集进行数据增强处理，得到增强遥感图像集；所述增强遥感图像包括图像、与所述图像对应的标签；所述标签表征图像的类型；S3、将所述增强遥感图像集分为训练集和测试集；S4、利用所述训练集对云检测网络架构初始模型进行训练，得到云检测网络架构目标模型；所述云检测网络架构初始模型为包括至少两个回路的对抗网络；每个所述回路包括至少一个生成器和一个辨别器；所述生成器和所述辨别器为对称结构；S5、利用所述云检测网络架构目标模型，对所述测试集进行处理，得到云检测结果。2.根据权利要求1所述的基于图像分割神经网络的复杂场景云检测方法，所述对所述遥感图像集进行数据增强处理，得到增强遥感图像集，包括：S21、对所述含云图像集进行扩充处理，将所有的含云图像分辨率设置为预设值，得到第二含云图像集；S22、对所述第二含云图像集进行归一化处理，得到第三含云图像集；S23、对所述第三含云图像集进行描绘制作处理，得到第四含云图像集；S24、利用标签制作工具软件，为所述第四含云图像集中每个含云图像生成标签，得到增强遥感图像集。3.根据权利要求1所述的基于图像分割神经网络的复杂场景云检测方法，其特征在于，所述生成器包括编码器、转化器和解码器；所述编码器包括三个卷积层组成；所述编码器的三个卷积层中后两个卷积层的降采样倍数为2；所述转化器包括五个残差层；所述解码器包括两个反卷积层和一个卷积层；所述解码器的两个反卷积层的升采样倍数为2；所述辨别器包括7个卷积层，所述辨别器中最后一层卷积层输出一维标量，数值范围为[0，1]。4.根据权利要求3所述的基于图像分割神经网络的复杂场景云检测方法，其特征在于，所述生成器采用resnet网络结构，降采样采用stride卷积，上采样采用反卷积；所述辨别器采用PatchGANS结构，大小为70
×
70。5.根据权利要求1所述的基于图像分割神经网络的复杂场景云检测方法，其特征在于，所述云检测网络架构初始模型包括第一回路和第二回路；所述第一回路包括第一生成器和第一辨别器；所述第二回路包括第二生成器和第二辨别器；所述利用所述训练集对云检测网络架构初始模型进行训练，得到云检测网络架构目标模型，包括：S31、将所述训练集平均分为数据域X和数据域Y；所述数据域X包括若干个带有标签的数据；所述数据域Y包括若干个不带标签的数据；S32、设置初始速度初始参数学习率，模型初始参数信息，初始速度，最大迭代次数M0，迭代次数M；所述迭代次数M初始值为1；构建生成器和辨别器的损失函数，辨别器之间同样共享权重训练，采用Adam迭代器进行参数迭代更新；S33、从所述数据域X按序选择数据A，从所述数据域Y按序选择数据B；S34、利用数据A和数据B训练所述云检测网络架构初始模型；S35、更新迭代次数M为M+1，判断迭代次数M是否大于最大迭代次数M0，得到第一判断结
果；如果第一判断结果为否，则触发执行S33，如果第一判断结果...
【专利技术属性】
技术研发人员：路遥，沈黎，张筱晗，吕守业，张一鸣，聂婧，
申请(专利权)人：北京市遥感信息研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。